Kapittel 4. Fourieranalyse. Dummy tekst for å spenne ut et åpent felt for et førsteside-opplegg. c 1

Transkript

1 Kapittel 4 Fourieranalyse I dette kapitlet skal vi ta for oss en meget anvendelig metode for å studere periodisitet Dummy tekst for å spenne ut et åpent felt for et førsteside-opplegg. i en funksjon eller et signal. Vi kommer nesten utelukkende til å foreta fouriertransformasjon av et signal som varierer i tid. Fouriertransformasjonen gir oss da et frekvensspekter, og ut fra frekvensspekteret c 1 kan vi foreta en fourieranalyse eller spektralanalyse. Signalet vi starter ut med kaller vi tidsbildet. En fouriertransformasjon gir oss da et frekvensbilde av det samme signalet. Fouriertransformasjon og fourieranalyse har klare likhetstrekk med middelalderens bruk av episykler for å beregne hvordan planeter og sola beveget seg i forhold til hverandre. Figuren er nedlastet fra s1.hubimg. com/u/ _f520.jpg og lett bearbeidet. Det er mange detaljer og nye ord knyttet til fouriertransformasjon, så som grunnfrekvens og harmoniske, folding, samplingsteoremet, reell og imagniær del av fourierkoeffisienter, fullstendig sett funksjoner og mere til. Jeg er redd du rett og slett må gjennomføre noen fouriertransformasjoner på egen hånd for å forstå alt sammen. Senere i boka vil vi omtale lyd fra ulike musikkinstrumenter, og til og med hvordan vi kan lage syntetisk lyd som ligner på den virkelige. Her er fouriertransformasjon et meget nyttig verktøy. Men ethvert verktøy har sitt bruksområde der det egner seg best. En fouriertransformasjon egner seg slett ikke for analyse av alle typer signaler. Vi trenger å være på vakt og ikke bruke fouriertransformasjon når metoden egentlig ikke passer. 1 Copyright 2014 for tekst og figurer: Arnt Inge Vistnes. Versjon

2 4.1 Innledning Fouriertransformering er svært viktig både i teoretisk og eksperimentell fysikk. Nærmest hvilken som helst relasjon i fysikk kan analyseres eller dekomponeres ved hjelp av fourierteknikker. Matematikken blir enkel fordi hver fourierkomponent er ortogonal til en annen, og eksperimentelt er det utviklet supereffektive numeriske algoritmer som gjør at en fourieranalyse går som en drøm, teknisk sett. Spesielt innen svingninger og bølger er fourieranalyse ekstremt viktig, og derfor presenteres teorien tidlig i denne boka. Vi vil imidlertid også fortelle litt om svakhetene til fourieranalyse, og de er betydelig større enn mange er klar over. Grunnen til at svakhetene ikke er så godt kjent som de burde, tror jeg henger sammen med en litt for overfladisk kunnskap om hva fourieranalysen innebærer. Man lærer seg noen enkle fortolkninger og tommelfinger-regler, og tror at de kan anvendes i enhver sammenheng. Men da kan man fort trå feil og få feilaktige bilder av fenomener og trekke ikke-relevante slutninger. Beskrivelser ved hjelp av fourierkomponenter betyr iblant noe annet enn det folk tror. Studenter i svingninger og bølger har tidligere år opplevd at fouriertransformasjon har vært noe av det vanskeligste på hele kurset. Det er tydelig en form for modning som skal til for eksempel for å forstå hva vi mener med et tidsbilde og et frekvensbilde. Jeg har derfor valgt å fremstille fouriertransformasjon på en helt ny måte i denne utgaven av boka, med håp om at det skal bli enklere å danne seg et bilde av hva matematikken innebærer. Ordet bilde er her temmelig bokstavlig ment, for jeg vil ved å bruke mange figurer forsøke å gi en bildelig forståelse av noen særtrekk ved fouriertransformasjon, og vil ikke bare basere meg på matematisk formalisme. De bildene jeg gir håper jeg også skal gjøre det lettere å forstå mer kompliserte særtekk og legge et grunnlag for en bedre forståelse av wavelet-transformasjon som vi kommer til i et senere kapittel. (Wavelet-transformasjon er overlegent mye bedre enn fouriertransformasjon i visse sammenhenger, - ikke minst knyttet til analyse av lyd.) Kapitlet er strukturert slik: Først kommer en bildegjøring av det grunnleggende matematiske uttrykket ved fouriertransformasjon, så følger fouriertransformasjon av en funksjon som bare varer en begrenset tid. Dernest tar vi opp fouriertransformasjon av funksjoner som beskrives bare i diskrete tidspunkt, og legger mye vekt på hvordan vi kan tolke resultater helt konkret og optimalisere analysen når vi baserer oss på algoritmen fast fourier transform (FFT). Da setter vi i gang! De neste delkapitlene egner seg IKKE som leselektyre mens Spotsrevyen surrer i bakgrunnen. Vær forberedt på at du må konsentrere deg ordentlig for å trenge bak matematikkens formalisme! 94

3 4.2 Fouriertransformasjon i bilder La f(t) være en integrerbar funksjon med t (gjerne tid) som parameter. I fysikk er f(t) ofte en reell funksjon, men matematisk sett kan den gjerne være kompleks. Med basis i f(t) kan det beregnes en ny funksjon F (ω F ), på følgende måte: F (ω F )= 1 2π Parameteren ω F er vinkelfrekvens dersom t representerer tid. Vi kan bruke Eulers formel og skrive F (ω F )= 1 2π f(t) cos(ω F t)dt f(t)e iω F t dt (4.1) i 2π f(t) sin(ω F t)dt (4.2) Første utfordring er å se for seg hvordan dette integralet fungerer. Vi vil da la funksjonen f faktisk være en funskjon av tid, nærmere bestemt en ren cosinusfunksjon med vinkelfrekvens ω a og konstant amplitude A: f(t) =A cos(ω a t) (4.3) og analyserer denne funksjonen mhp en vilkårlig frekvens ω F. Vi tar bare med oss første ledd i ligning (4.2). Vi velger også å justere litt på det orginale uttrykket for en fouriertransformasjon i ligning (4.1) for å lettere få fram de poengene vi ønsker. Vi skal i første omgang konsentrere oss om følgende uttrykk: F (ω F ) = lim T 1 2T T T f(t) cos(ω F t)dt Når vi setter inn for f fra ligning (4.3), får vi vår variant av fouriertransformasjon: 1 F (ω F ) = lim T 2T T T A cos(ω a t) cos(ω F t)dt (4.4) La oss så innføre bilder for å trenge gjennom hva dette uttrykket innebærer. I figur har vi tegnet inn de to funksjonene som inngår i integranden for en liten bit av den uendelig lange tidsstrengen fra minus til pluss uendelig. Også produktet av de to funksjonene er tegnet inn. I figur 4.1 har vi valgt å analysere funksjonen f ved nøyaktig samme frekvens som funksjonen selv har, og det er ingen faseforskjell mellom dem. Vi ser da at produktet A cos(ω a t) cos(ω F t) rett og slett blir lik A cos 2 (ω a t), en funksjon som hele tiden er ikke-negativ og som varer ved på samme måte i hele intervallet pluss minus uendelig. 95

4 Figur 4.1: De to funksjonene som inngår i integranden i fourierintegralet ligning (4.4), samt produktet av de to funksjonene (nederst). Øverst er funksjonen f som skal analyseres (ligning (4.3) med A = 1), i midten er funksjonen g 1 = cos(ω F t) der ω F = ω a i dette tilfellet. Funksjonene er definert for t mellom ±, men figuren viser bare et lite utdrag fra t =0av. Sirkler og vertikale stiplede linjer antyder tider der de to øverste funksjonene er i perfekt fase (i dette tilfellet gjelder det hele strekket fra t = til t =+ ). Dette blir annerledes i de neste to figurene. Vi vet fra før at integrasjon rett og slett er en summering av funksjonsverdier i det intervallet vi integrerer over. Egentlig er det en sum av arealet til små rektangler med høyde lik funksjonsverdien og bredde lik dt. I ligning (4.4) dividerer vi summen av alle disse små rektanglene med bredden av tidsintervallet vi integrerer over, og resultatet av integrasjonen blir derfor gjennomsnittet av alle verdiene A cos 2 (ω a t) i intervallet 2T. Gjennomsnittsverdien blir 1/2. Første eksempel var derfor ikke så vanskelig. Neste eksempel byr på litt større utfordringer. Vi lar nå funksjonen f(t) ha en litt forskjellig frekvens enn analysefrekvensen, men f er fortsatt en cosinusfunksjon gitt ved ligning (4.3). Igjen tegner vi inn de to funksjonene i integranden i ligning (4.4) hver for seg, sammen med produktet. Resultatet er vist i figur 4.2. Det viktige er nå å innse at fasen til den ene funksjonen hele tiden vil endre seg i forhold til fasen til den andre funksjonen. Det betyr at iblant er de fullstendig i fase, iblant fullstendig i motfase, og for det meste en mellomting. Det betyr at produktet (dersom vi ser bort fra amplituden A) iblant vil se ut som en 96

5 Figur 4.2: Samme oppsett som i forrige figur, men nå er funksjonen i midten g 2 = cos(ω F t) der ω F er litt større enn ω a. Sirkler og vertikale stiplede linjer antyder tider der de to øverste funksjonene enten er i perfekt fase eller i perfekt motfase. Se tekst for øvrige detaljer. cos 2 (ωt)-funksjon, iblant som en cos 2 (ωt)-funksjon, men for det meste en mellomting (funksjonen cos 2 (ωt) y, der y er et tall mellom 0 og 1). Det går an å finne et matematisk uttrykk som svarer nøyaktig til det resultatet som er vist for produktet av de to cosinusfunksjonene, men vi vil bevisst ikke gå i den retningen. Det viktigste er å danne seg det inntrykket som figur 4.2 gir oss. For hva vil nå skje når vi summerer opp alle funksjonsverdiene (alle rektanglene)? Jo, vi ser at iblant vil funksjonsverdiene være positive, iblant negative. Dersom vi gjør intervallet [ T,T] større og større, får vi ikke en stadig større totalsum som i forrige tilfelle da ω F = ω a. Integralet vil hele tiden variere mellom en maksimalverdi og en minimumsverdi. Når vi så dividerer med 2T og lar T gå mot uendelig, vil rett og slett grenseverdien for ligning (4.4) bli null. I figur 4.3 viser vi hva som skjer dersom det er enda større forskjell mellom funksjonen f sin frekvens ω a og analysefrekvensen ω F. Det blir kortere tidsintervaller mellom hver gang de to cosinusfunksjonene er i fase med hverandre. Nærmere bestemt ser vi at tiden t for en syklus i produkt-funksjonen er gitt ved: ω a ω F t =2π (4.5) 97

6 Figur 4.3: Samme oppsett som i forrige figur, men nå er funksjonen i midten g 3 = cos(ω F t) der forskjellen mellom ω F og ω a er tre ganger større enn i forrige figur. Se forøvrig tidligere figurtekster og brødtekst for øvrige detaljer. Resultatet fra fourieranalysen blir imidlertid det samme i dette tilfellet som i det forrige. Uansett hvor stor eller liten forskjellen er mellom ω a og ω F er, så vil integralet i henhold til ligning (4.4) bli null, fordi vi alltid kan gå så langt ut at positive bidrag blir kansellert av negative bidrag. Vi har i figurene bare valgt tre ulike analysefrekvenser ω F. Vi kan i prinsippet analysere funksjonen vår, f(t) =A cos(ω a t), for alle tenkelige valg av analysefrekvenser. Vi kan med andre ord gjenta prosedyren i ligning (4.4) for alle mulige ω F. F (ω F ) er da å betrakte som en funksjon, og denne funksjonen kan fremstilles grafisk. Resultatet blir som i øvre del av figur 4.4. Det er bare bidrag ved ω F = ±ω a. Negativ vinkelfrekvens høres rart ut, men sinus og cosinus er definert både for positivt og negativt argument, så formelt er det helt ok. Fysisk tolkning er det værre med. Siden cos(+φ) = cos( φ) blir fourierbidraget i ligning (4.4) likt for positiv og negativ ω FT. En grafisk fremstilling av funksjonen F (ω F ), slik som i høyre del av figur 4.4, kaller vi fourierspekteret eller frekvensspekteret av funksjonen f. Vi kan også kalle det for frekvensbildet av funksjonen f i motsetning til en graf av funksjonen f(t) (venstre del av figur 4.4) 98

7 Figur 4.4: Venstre del viser en liten del av en harmonisk funksjon som varer ved fra t = til t =+. Høyre del viser resultatet av en fourieranalyse når analysen er gjennomført for alle tenkelige ω F i henhold til ligning (4.4) for øvre del, og en tilsvarende ligning med i sin(ω F t) i integranden i stedet for cos(ω F t) for nedre del av figuren. som vi gjerne kaller tidsbildet av funksjonen f. Frekvensbildet og tidsbildet er to ulike, kompletterende måter å angi funksjonen f på. Egentlig er det ikke en formelt korrekt fouriertransformasjon vi har foretatt, siden vi valgte en litt spesiell prosedyre i ligning (4.4). Hadde vi valgt å fjerne normeringskonstanten 1/2T i ligning (4.4) for å komme over til den originale beskrivelsen av en fouriertransformasjon, som i ligning (4.1), ville integralet for ω F = ±ω a gått til uendelig. Da ville fourierspekteret bestå av en deltafunksjon ved ω F = ±ω a. Likevel ville hovedtrekkene i tenkningen være uforandret. 4.3 Den omvendte transformasjonen Vi har hittil sett at dersom vi har en funksjon f(t) =A cos(ω a t) vil vi ved å anvende ligning (4.1) for alle analysefrekvenser ω F kunne lage oss et frekvensspekter av funksjonen. Frekvensspekteret er rett og slett en funksjon i seg selv: F (ω F ). I dette tilfellet vil vi bare få et spekter (en funksjon) som er null overalt unntatt ved ω F = ±ω a. 99

8 Det interessante er at vi da kan foreta en såkalt invers fouriertransformasjon på følgende måte: ff(t) = 1 F (ω F )e iω F t dω F (4.6) 2π Dersom F (ω F ) er en deltafunksjon for ω F = ±ω a, følger det: ff(t) = 1 2π F (ω F )e iω F t dω F = K(e iω at + e iω at )=2K cos(ω a t)=2kf(t) (4.7) hvor K er en faktor (et tall) som avhenger av detaljer i formalismen. Vi vil ikke gå inn på detaljer her, men faktorene foran fouriertransformasjonen i ligning (4.1) og (4.6) er valgt slik at faktoren 2K rett og slett blir 1. Vi ser altså i dette tilfellet at den inverse fouriertransformasjonen faktisk fører oss tilbake til den opprinnelige funksjonen som vi analyserte: f f(t) f(t). 4.4 Formell fouriertransformasjon Hittil har vi bare vært gjennom en innledende runde hvor målet var å bildeliggjøre den bakenforliggende matematikken i en fouriertransformasjon. Vi analyserte en svært enkel funksjon som rett og slett var en cosinus (eller sinus) med en konstant amplitude og en bestemt frekvens. I det tilfellet ble frekvensspekteret null overalt unntatt ved funksjonens egen frekvens (og negative sådan). Nå er det på tide å se hvordan det blir når funksjonen vi skal analysere er en vilkårlig (men integrerbar) funksjon. Det var den franske matematikeren og fysikeren Joseph Fourier ( ) som introduserte fouriertransformasjon i analytisk matematikk. 2 Du har muligens møtt fouriertransformasjon i matematikken tidligere. I matematikken er transformasjonen gjerne knyttet opp til indreprodukt mellom to funksjoner, og vi definerer en basis av sinus og cosinusfunksjoner og anvender Gram-Schmidt på en funksjon for å finne dens Fouriertransformerte. Vi velger en mer praktisk tilnærming i vår sammenheng. La oss se på den opprinnelige formalismen: La f(t) være en integrerbar funksjon med t (gjerne tid) som parameter. I fysikk er f(t) ofte en reell funksjon, men matematisk sett kan den gjerne være kompleks. 2 Fourier er forøvrig kjent for å ha påvist/forklart drivhuseffekten for global oppvarming i

9 Med basis i f(t) kan det beregnes en ny funksjon F (ω), på følgende måte: F (ω) = 1 2π f(t)e iωt dt (4.8) Parameteren ω er vinkelfrekvens dersom t representerer tid. Det morsomme med denne funksjonen er at vi kan ta en tilsvarende omvendt transformasjon (invers fouriertransformasjon): f(t) = 1 2π F (ω)e iωt dω (4.9) og ende opp med eksakt den opprinnelige funksjonen igjen. Merk fortegnskiftet i den komplekse eksponensialfunksjonen. I ulike bøker angis faktorene foran integraltegnene gjerne på ulikt vis. Vi har valgt den varianten som gir mest symmetriske uttrykk. Produktet av disse faktorene er 1/2π i denne formen for fouriertransformasjon. Fra ligningene (4.8) og (4.9) ser vi at selv om f(t) er reell, vil F (ω) være kompleks. Vi har tidligere sett at dette henger sammen med Eulers formel e iωt = cos(ωt)+i sin(ωt), og har sammenheng med fasen til funksjonen vi analyserer. Legg merke til at når f(t) er en komplisert, gjerne uregelmessig funksjon, vil F (ω) også bli temmelig komplisert og uregelmessig. Hva forteller F (ω) oss da? Den inverse fouriertransformasjonen innebar en integrasjon siden ω i F (ω) er en kontinuerlig variabel. La oss i stedet tenke oss at vi deler opp intervallet ω <, + > i uendelig mange små, men diskrete biter av bredde dω. I så fall kan vi skrive uttrykket for invers transformasjon slik: f(t) = F (ω k ){cos(ωt)+i sin(ωt)} (4.10) Dette uttrykket kan forstås slik: Enhver (integrerbar) funksjon kan beskrives som en sum av sinus og cosinus-funksjoner (som er definert fra minus uendelig til pluss uendelig). Hvor mye vi skal ha av hver av disse funksjonene er gitt av koeffisientene F (ω k ). Dersom vi husker at cos(ω 1 t) og cos(ω 2 ) er ortogonale, lineært uavhengige funksjoner, og at vi i prinsippet har uendelig mange ω k å ta av, forstår vi at settet av funksjoner {cos(ω k t)} pluss {sin(ω k t)} danner et komplett sett funksjoner som kan brukes for å beskrive en vilkårlig (men integrerbar) funksjon f(t). Vi vet fra matematikken at det finnes flere komplette sett med funksjoner (f.eks. polynomer), og i ulike deler av fysikken velger vi gjerne et basissett som er mest egnet for de systemene vi betrakter. Fouriertransformasjon er antakelig det aller mest benyttede basissettet av funksjoner (også benyttet i situasjoner hvor det ikke er spesielt gunstig). 101

10 4.4.1 Sammenheng mellom realdel og imaginærdel Som vist i ligning (4.2) består F (ω) av både en reell og en imaginær del. Realdelen har cos(ωt) som del av integrasjonen mens imaginærdelen har sin(ωt). Det er tydelig at vi her har med fasesammenhenger å gjøre. La oss analysere en harmonisk funksjon som ikke er en ren sinus eller cosinus, men heller: f(t) =A cos(ω a t + φ) Vi vet fra tidligere at vi da kan skrive dette som: f(t) =A(cos ω a cos φ sin ω a sin φ) =B cos ω a + C sin ω a hvor B = A cos φ og C = A sin φ. Beregner vi den fouriertransformerte av f i henhold til ligning (4.2), og vi vet at bare cosinusdelen av f fanges opp i realdelen og bare sinusdelen av f av imaginærdelen, finner vi at Real{F (ω)} = B og Imag{F (ω)} = C. (Er her litt upresise mhp faktorene 1/ 2π.) Det interessante er at dersom vi beregner absoluttverdien til resultatet F = B + ic, får vi B + ic 2 = B 2 + C 2 = A 2 (cos 2 φ + sin 2 φ)=a Absoluuttverdien av fourierkoeffisienten F er derfor lik amplituden i den harmoniske funksjonen vi analyserte, uavhengig av fase. Siden vi ikke har vært presise mhp normeringskonstanter (og siden dette behandles ulikt i ulike bøker og dataprogrammer), må vi nøye oss med å si: Absoluttverdien av en fourierkomponent er proporsjonal med amplituden i den harmoniske funksjonen vi analyserte, uansett hvilken fase denne funksjonen har. Dersom vi ikke er interessert i faseforhold, er det svært gunstig å angi absoluttverdien av frekvensspekteret i stedet for å angi frekvensspekteret som en kompleks funksjon. 4.5 Et eksempel på bruk Mengden av solflekker varierer med en periodetid på 11 år, hører vi rett som det er. Hva er grunnlaget for en slik påstand? Vi kan plotte antall solflekker per år i løpet av en del år. Vi får da en kurve som i venstre del av figur 4.5 og kurven svarer til funksjonen f(t) i teorien ovenfor. I høyre del av figur 4.5 er det vist et utdrag av resultatene etter en fouriertransformasjon av dataene i venstre del. Det er absoluttverdiene som er plottet. 102

11 Toppene omtrent midt i figuren svarer til at koeffisientene F (ω k ) for en sinusfunksjon med frekvens om lag 0.09 per år er betydelig større enn andre frekvenser i det samme området. Siden en frekvens på 0.09 per år svarer til en periodetid på omtrent 11 år, får vi en fin stadfesting på at solflekkene i de 300 årene har en betydelig periodisitet ved 11 års periodetid. Samtidig viser støyen forøvrig i diagrammet at det er en betydelig dårligere definert periodetid enn det vi f.eks. finner i bevegelsen til en pendel! Antall solflekker År Antall solflekker års periode Frekvens (år -1 ) Figur 4.5: Venstre del viser solflekker som dukket opp hvert år gjennom de siste tre hundre år. Høyre del viser et utdrag fra den tilsvarende fouriertransformerte funksjonene (absoluttverdiene av F (ω)). Dataene er hentet fra Analyse av funksjoner som ikke varer ved i det uendelige Det må nevnes at analysen vist i figur 4.5 er basert på diskrete data og ikke på kontinuerlige funksjoner slik vi har antatt i formalismen hittil. Vi kommer tilbake til diskret fouriertransformasjon senere i kapitlet. Før vi imidlertid forlater fouriertransformasjon av kontinuerlige funksjoner av kontinuerlige variable, skal vi innom et meget viktig fenomen som dukker opp i utrolig mange deler av fysikken. Vi skal la funksjonen vi analyserer rett og slett være null overalt unntatt i et begrenset tidsrom med lengde T. Vi går da tilbake til bildene vi hadde innledningsvis i dette kapitlet fordi de gjør det lettere å forstå de poengene vi nå skal ta opp. 103

12 Figur 4.6: De to funksjonene som inngår i integranden i fourierintegralet ligning (4.4), samt produktet av de to funksjonene (nederst) i det tilfellet at funksjonen f som skal analyseres bare er forskjellig fra null i et begrenset tidsrom. Se tekst for kommentarer. 104

13 I figur 4.6 er det vist et utsnitt av funksjonen I figuren er T = 2/3 s. f(t) = cos(ω a t) for t [0,T] og 0 ellers. (4.11) Tidsintervallet T i figuren er såvidt tilstrekkelig til å få inn hele det partiet hvor f(t) er forskjellig fra null i figuren. Det er også tegnet inn g(t) = cos(ω F ) for tre ulike valg av analysefrekvens ω F. Produktfunksjonene er også tegnet inn for de tre tilfellene. Integralet av produktfunksjonen får nå bare bidrag akkurat i det tidsintervallet hvor f er forskjellig fra null. Vi får full uttelling innen hele intervallet når ω F = ω a. Vi ser at integralet (summen av alle verdier av produktfunksjonen) også blir positiv i det mellomste tilfellet der forskjellen mellom ω F og ω a er såpass liten i forhold til tidsintervallets lengde at fasen til f og fasen til cos(ω F )er mindre enn π. I det nederste tilfellet har vi valgt en analysefrekvens ω F som er slik at (ω F ω a )T =2π På grunn av symmetrien ser vi at integralet her blir lik null, men innser at vi ville fått en viss positiv eller negativ verdi dersom vi ikke traff så kontant med frekvensforskjellen i forhold til T slik vi gjorde i dette tilfellet. Hva har dette eksemplet vist oss? I første del av kapitlet forklarte vi at når f(t) = cos(ω a t) for alle t, vil fourierintegralet bli null i absolutt alle tilfeller der ω F ±ω a. I figur 4.6 ser vi at når funksjonen vi analyserer bare varer ved en begrenset tid T, kan de to frekvensene gjerne kan være litt forskjellige og likevel vil vi kunne få bidrag fra fourierintegralet. Bidraget vil være størst når (ω F ω a )T <π. Det kan bemerkes at vi kan døpe om størrelsene slik: (ω F ω a ) 2π f og T t. I så fall får vi at fourierintegralet har betydelig verdi så lenge f t <1/2 Dette er en relasjon som har analogier til Heisenbergs uskarphetsrelasjon. Det hører med å nevne at den fouriertransformerte også får et imaginært bidrag. Det er ikke tatt med her, men kommer automatisk inn på en liknende måte som den reelle komponenten. [ Kommentar: I figur 4.7 viser vi realdelen av den fouriertransformerte av f når denne funksjonen bare er forskjellig fra null i intervallet T, som vist i figur 4.6. Det er opplagt at dette slett ikke er en deltafunksjon, slik fourierspekteret / frekvensspekteret så ut i figur 4.4. Vi har nå sett at en cosinusfunksjon med konstant amplitude og frekvens, og som varer ved fra minus uendelig til pluss uendelig, kan beskrives ved en eneste av de uendelig mange basisfunksjonene som brukes i en fourier-basert beskrivelse. 105

14 Figur 4.7: Realdelen av en del av fourierspekteret til funksjonen gitt i ligning (4.11). I høyre del er det markert punkter som svarer til eksemplene i figur 4.6. En tilsvarende cosinusfunksjon som er null overalt unntatt i et begrenset tidsintervall med lengde T, kan imidlertid bare beskrives ved å ta i bruk (i prinsippet) uendelig mange basisfunksjoner (ulik frekvens). Dette er en voldsom økning i kompleksitet i vår beskrivelse. Likevel kan den være nyttig, fordi basisfunksjonene som har størst betydning (mest vekt) vil ha frekvenser i et frekvensintervall f som er i størrelsesorden f 1/T stort, og frekvensintervallet vil være sentrert rundt den opprinnelige funksjonens frekvens ω a. Den store økningen i kompleksitet skyldes at basisfunksjonene i en fourieranalyse varer ved fra minus uendelig til pluss uendelig. For å beskrive en funksjon som er null over store tidsintervaller, må vi da summere i prinsippet uendelig mange basisfunksjoner. Siden vi i fysikk aldri opererer med funksjoner som varer ved i tid fra minus til pluss uendelig, ligger det i kortene at fourieranalyse iblant kan bli nokså meningsløs. En talemåte vi iblant møter er som følger: I den tiden signalet er null, har vi egentlig uendelig mange funksjoner med ulike frekvenser til stede samtidig! Dette er vrøvl, for signalet vi startet ut med var identisk lik null i de store tidsintervallene utenom intervallet med lengde T der funksjonen faktisk hadde en verdi. Vi må stikke fingeren i jorda og se hva som er basis-opplysningene, og ikke omskrive virkeligheten bare ut fra en tilfeldig valgt matematisk analysemetode! ] Detaljer mhp oscillasjoner i frekvensspekteret Frekvensspekteret av en bit av en harmonisk funksjon, så vi i figur 4.7 hadde en bred og kraftig topp i midten, og karakteristiske oscillasjoner med mindre og mindre amplitude jo lenger vekk fra toppen man kommer. Det er relativt enkelt å forstå hva denne oscillasjonen kommer av og hvorfor amplituden på oscillasjonene avtar slik de gjør. Vi tar da igjen utgangspunkt i samme type figur som tidligere, men nøyer oss med å bare plotte hvordan integranden totalt (produktet av de to funksjonene) ser ut innen det 106

15 Figur 4.8: Integranden i realdelen av fourier-beregningene for ulike valg av analysefrekvens. Realdelen av en del av fourierspekteret til funksjonen gitt i ligning (4.11) er gitt nederst. Se forøvrig teksten for detaljer. tidsintervallet der funksjonen f er forskjellig fra null. Integrasjonen over denne produkt-funksjonen er omtrent lik arealet under middelverdikurven markert med sort stiplet linje i figur 4.8. De seks delplottene representerer at det blir større og større forskjell mellom frekvensen i funksjonen f og analysefrekvensen. Når de to frekvensene er identiske, blir arealet under middelverdikurven maksimalt, noe som svarer til toppverdien i (realdelen) av fourierspekteret. Arealet kan være positivt eller negativt alt etter om middelverdien ligger over eller under null. Positive areal er markert med blå bakgrunnsfarge, og negative areal med rød bakgrunnsfarge. I tilfelle 3 og 5 er totalt areal lik null (like mye positivt som negativt), mens i tilfelle 4 er totalt areal negativt. Det er markert med litt ekstra sterk rød- eller blå-farge de arealene som ikke blir balansert av tilsvarende areal med motsatt fortegn. Vi ser da at det kraftigst rødmerkede arealet i tilfelle 4 er større i absoluttverdi enn det kraftigst blåmerkede arealet i tilfelle 6, noe som 107

16 reflekterer at toppen i området nær 6-markeringen i nedre del av figuren er mindre enn (absoluttverdien) av toppen i området nær 4-markeringen. [ Kommentar: Vi skal senere se at den karakteristiske oscillasjonen henger sammen med at amplituden til den harmoniske funksjonen gikk plutselig fra full verdi til null i hver ende av intervallet med bredde T (såkalt rektangulær omhyllingskurve). Dersom vi lar amplituden avta gradvis mot null på hver sin side av pulsen, ville oscillasjonene bli mye svakere. Dersom amplituden varierer som en gaussisk funksjon (gaussisk omhyllingskurve), vil det ikke bli noen oscillasjoner overhodet i frekvensspekteret. Da får absoluttverdien til frekvensspekteret selv en gaussisk form! Vi kommer tilbake til dette senere i kurset. ] 4.7 Andre varianter av fouriertransformasjon Fourierrekker Transformasjonene i ligning (4.8) og (4.9) forutsetter at vi kjenner funksjonen vi skal transformere i et uendelig langt tidsrom. Det er greit nok i idealiserte tilfeller (ren matematikk), men i praktiske fysiske eksperimentelle sitasjoner er dette uaktuelt. Dersom vi imidlertid kjenner en funksjon over et endelig tidsrom T, kan vi lage en beskrivelse som strekker seg over uendelig tid ved å anta at funksjonen er periodisk med periodelengde lik T. Dette gir en interessant forenkling. Dersom f(t) er en periodisk funksjon med periode T, kan fouriertransformasjonen gjøres mer effektiv enn i den generelle transformasjonen i ligning (4.8). Transformasjonen kan angis ved en uendelig, men diskret tallrekke, såkalte fourierkoeffisienter, {c k }, der indeksen k er et naturlig tall mellom minus og pluss uendelig (!). Fourierkoeffisientene beregnes slik: c k = 1 T t0 +T t 0 f(t)e ikω 1t dt (4.12) hvor ω 1 =2π 1, det vil si den vinkelfrekvensen som svarer til en funksjon som har nøyaktig T én periode innenfor tiden T. Siden f(t) nå antas å være periodisk, kan startpunktet t 0 for integrasjonen i prinsippet velges fritt. Det antas at f(t) er stykkevis glatt og kontinuerlig, og at f(t) 2 dt < + når integralet går over et intervall med lengde T. 108

17 Den inverse transformasjonen er da gitt ved: f(t) = + k= c k e ikω 1t (4.13) hvor igjen ω 1 2π/T og svarer til frekvensen som har nøyaktig en sinusperiode innenfor intervallet T. Dersom f(t) er reell, kan det på grunn av symmetrien i ligning (??) enkelt vises at f(t) = a {a k cos(kω 1 t)+b k sin(kω 1 t)} (4.14) k=1 hvor a k = c k + c k = 2 T t0 +T t 0 f(t) cos(kω 1 t)dt (4.15) b k = i(c k c k )= 2 T t0 +T t 0 f(t) sin(kω 1 t)dt (4.16) Ligning (4.14) sammen med uttrykkene (4.15) og (4.16) er gull verdt! De viser at ethvert periodisk signal med periode T kan skrives som en sum av harmoniske signal (sinussignaler med ulike amplituder og faser). I beskrivelsen inngår bare harmoniske signaler med eksakt et heltalls svingninger innenfor periodetiden T. Harmoniske signaler med heltallige multippel av en grunnfrekvens danner et ortogonalt basis-sett av funksjoner. Fourierrekken forteller da hvor mye vi har av hver av disse basisfunksjonene. I prinsippet har vi uendelig mange basisfunksjoner med frekvenser ω =..., 2 2π T, 1 2π T, 0 2π T, 1 2π T, 2 2π T,... Hva vinner vi da på å bruke en fourierrekke framfor en vanlig beskrivelse i tidsdomenet? Vel, i noen tilfeller er faktisk fourierrekken en mer komplisert beskrivelse enn en tidsbeskrivelse, men i mange fysikkrelaterte situasjoner er det motsatt. Dessuten gir fourierrekken et diagram som iblant avslører lovmessigheter i svingningene det ellers ville vært vanskelig å se. Vi kommer tilbake til disse vurderingene senere i kapitlet, for det er svært vikitig å være bevisst at vi ikke må blande rent matematiske analyser med fysiske tolkninger i hytt og vær, slik det dessverre gjøres en god del i dag! 109

18 4.7.2 Diskret fouriertransformasjon En generell fourierrekke gitt i ligning (4.12) er basert på en kontinuerlig funksjon angitt i et intervall med lengde T. I det tilfellet endte vi opp med uendelig mange fourierkoeffisienter. I vår moderne tid er eksperimentelle og computergenererte data bare kvasi-kontinuerlige. Vi sampler en kontinuerlig funksjon, og ender opp med en funksjon bare beskrevet gjennom et endelig antall datapunkter. Anta at dette er datapunkter tatt etter hverandre med en fast tidsdifferanse t. Vi kaller datapunktene x n hvor n =0,..., N 1. Tidspunktene som svarer til disse datapunktene er da gitt som: t n = n T for n =0, 1,..., (N 1) N Vi har sett i teorien for fourierrekker at bare diskrete frekvenser inngår i beskrivelsen. Disse er: ω k = 2π k for k =..., -2, -1, 0, 1, 2, 3,... T Når vi bare beskriver funksjonen i N tidspunkt, er det ikke lenger dekning for å beskrive frekvenser for uendelig mange diskrete frekvenser. Det er bare mulig å operere med N frekvenser, nemlig ω k = 2π k for k = -(N-1)/2, -(N-1)/2 + 1,..., -2, -1, 0, 1, 2,..., (N-1)/2 T Integralet i ligning (4.12) blir da erstattet med en sum. I den opprinnelige fouriertransformasjonen inngitt e iωt i integranden. Ved N diskrete datapunkter blir dette ifølge detaljene ovenfor erstattet med følgende uttrykk: iωt iω k t n = i 2π T k n N T = i2πkn N (4.17) Den diskrete fouriertransformasjonen er da gitt ved: X k = 1 N N 1 n=0 x n e i 2π N kn (4.18) for k =0,..., N 1. Dersom settet x n består av verdier gitt i tidsdomenet, vil X k være tilsvarende sett verdier i frekvensdomenet. Merk at vi her antyder at k går fra 0 til N-1, mens vi ovenfor lot k være mellom (N 1)/2 og +(N 1)/2. Siden vi opererer bare med sinus- og cosinusfunksjoner med et helt antall bølgelengder, blir det faktisk hipp som happ om vi bruker det ene settet eller det andre. Vi kommer tilbake til dette siden når vi omtaler folding. 110

19 Gjennom uttrykket i ligning (4.17) har vi da vist at uttrykket for den diskrete fouriertransformasjonen i ligning (+refeq:dftrekke0) rett og slett er basert på det samme uttrykket som vi hadde i den opprinnelige fouriertransformasjonen. Forskjellen er bare at vi opererer med en funksjon bare beskrevet i N punkter, og at bare N frekvenser inngår i beskrivelsen. Den omvendte diskrete fouriertransformasjonen ser da naturlig nok slik ut: for n =0,..., N 1. x n = N 1 k=0 X k e i 2π N kn (4.19) Vi så allerede i ligning (4.2) at fouriertransformasjon betyr at vi multipliserer funksjonen som skal transformeres med sinus- og cosinusfunksjoner med varierende frekvens. For den opprinnelige transformasjonen var funksjonen definert for alle tider t og vi multipliserte denne i prinsippet med sinuser og cosinuser med alle mulige frekvenser. Når vi gjennomfører en diskret fouriertransformasjon, er funksjonen vi starter ut med bare definert i N punkter. Da kan vi bare multiplisere denne med en diskret representasjon av sinus- og cosinusfunksjoner, det vil si sinus- og cosinusfunksjoner som igjen bare er definert i N punkter. Videre er funksjonen vår bare definert for en begrenset tid T. Da vet vi fra det vi har lært om fourierrekker, at det er tilstrekkelig å bruke sinus- og cosinusfunksjoner som har et helt antall perioder innenfor tiden T. Alt dette er faktisk på plass i beskrivelsen av en diskret fouriertransformasjon slik den er gitt i ligning (4.18). Figur 4.9 viser hvilke funksjoner som leddet e i 2π N kn representerer i et tilfelle der funksjonen som skal transformeres er definert i åtte punkter. Da blir sinusog cosinusfunksjonene også bare definert i åtte punkter, og bare åtte ulike frekvenser er involvert (0, 1, 2,..., 7 ganger den frekvensen som har nøyaktig én periode innenfor den tiden funksjonen er definert) Dataprogram for diskret fouriertransformasjon Det er diskret fouriertransformasjon vi vil bruke i boka vår i konkrete tilfeller. Vi kunne ha skrevet et program selv for å gjennomføre prosedyren gitt i ligning (4.18) og (4.19), men det skal vi ikke gjøre. Det ville bli et svært lite effektivt program dersom vi brukte uttrykkene direkte. Det finnes i dag en overordentlig effektiv algoritme for diskret fouriertransformasjon som benytter symmetrien i sinus og cosinus på en særdeles effektiv måte for å redusere antall regneoperasjoner. Effektiviteten har medvirket sterkt til at fouriertransformasjon blir brukt mye i mange fag, ikke minst fysikk. 111

20 k t N-3 N-2 N-1 Figur 4.9: Funksjonene e i 2π N kn som inngår i en fouriertransformasjon, cosinusfunksjonene til venstre og sinusfunksjonene til høyre. N ulike frekvenser blir brukt, og hver av frekvensene gir oss en fourierkoeffisient X k. Merk at de N punktene som faktisk blir brukt i beregningene er de punktene som er markert mer røde prikker. Den kontinuerlige blå kurven mellom punktene finnes ikke i beregningene, de er bare tatt med i figuren for å lettere se hva de røde prikkene representerer. 112

21 Algoritmen ble visstnok oppdaget allerede i 1805 av Carl Friedrich Gauss, men ble glemt (den var ikke så interessant så lenge vi ikke hadde datamaskiner). Algoritmen ble i 1965 lansert av J.W.Cooley og J.Tukey som da arbeidet ved Princeton University. Deres fire siders artikkel: An algorithm for the machine calculation of complex Fourier series. i Math.Comput. 19 (1965) , hører til de klassiske artiklene som forandret fysikken. I Matlab og Python bruker vi Cooley og Tukey s algoritme når vi anvender fft ( Fast Fourier Transform ) eller ifft ( Invers Fast Fourier Transform ). For å få full uttelling av metoden bør vi passe på at antall punkter N er eksakt et av tallene 2 n hvor n er et heltall. Det er først da vi får benyttet oss fullt ut av symmetrien i en sinus- og cosinusfunksjon Sammenhengen mellom de ulike parametrene I ligning (4.18) og (4.19) er det matematisk sett bare snakk om et sett {x n } med N tall som kan transformeres til et nytt sett {X k } med N tall og tilbake igjen. La oss nå koble matematikken til litt mer praktisk fysikk ved å se hva indeksene k, n og størrelsen N representerer. Vi tenker at vi foretar N registreringer av en fysisk størrelse x n over en begrenset tid T (se venstre del av figur 4.10). Dersom registreringene foretas med et mellomrom i tid lik t, sierviatsamplingsfrekvensen f s =1/ t. Sammenhengen mellom størrelsene er som følger: N = Tf s = T/ t. Merk at hver sampling svarer til et helt lite tidsintervall t. I vår figur er det signalet i begynnelsen av hvert tidsintervall som registreres. Fouriertransformasjonen i ligning (4.18) gir oss frekvensbildet (høyre del av figur 4.10). Frekvensbildet består av N komplekse tall, ogdisse er frekvenskomponentene frafrekvensen 0 (konstant-ledd), og frekvensene k f hvor f =1/T. (Denne detaljen bør du merke deg!). Sammenhengen mellom ligning (4.18), tidene funksjonen er beskrevet i: t n = n t, og de resulterende analysefrekvenser: f k = k f, kan illustreres slik (merk endringene i eksponensialfunksjonen): X k = 1 N N 1 n=0 X k = 1 N for k =0,..., N 1. x n e i 2π N kn = 1 N N 1 n=0 N 1 n=0 x n e i2πt nf k = 1 N x n e i2π nt N N 1 n=0 113 k 1 T = N N 1 n=0 x n e i2π(n t)(k f) x n {cos(ω k t n ) i sin(ω k t n } (4.20)

22 x n n = N n X k k = N k t n f k 0 t 2 t (N-1) t 0 f 2 f (N-1) f t = 1/f s N t = T f = 1/T N f = f s Figur 4.10: En funksjon samplet i N =8tidspunkt (til venstre) sammen med fouriertransformasjonen til funksjonen (til høyre) som består av N =8komplekse tall. Realverdiene er gitt ved røde sirkelskiver og imaginærverdiene ved blå. Hvert punkt svarer til et lite tidsog frekvensintervall (hhv i venstre og høyre del). Merk sammenhengen mellom samplingsfrekvensen f s og t og i særdeleshet sammenhengen mellom T og f. For å få en høy oppløsning i frekvensangivelsen i frekvensspekteret, må vi altså sample et signal i tilstrekkelig lang tid T. Fourierkoeffisienten X k er altså på en måte integralet av produktet av signalet {x n } og en cosinus og en sinusfunksjon med frekvensen ω k = k f. Med andre ord er vi tilbake til nøyaktig samme bildet som vi innledet kapitlet med i figurene Gjør vi en lignende omskriving av den omvendte fouriertransformasjonen i ligning (4.19), får vi: N 1 x n = (R(X k ) cos(ω k t n ) I(X k ) sin(ω k t n )) (4.21) k=0 for n =0,..., N 1. R og I står som før for realdelen og imaginærdelen. Realdelen av X k kan med andre ord betraktes som amplituden til hver enkelt cosinusfunksjon som inngår i summen, mens imaginærdelen av X k er amplitudene til sinusfunksjonene. De komplekse kryssleddene i den opprinnelige ligning (4.19) er blitt borte på grunn av en symmetri som vi illustrerte i figur 4.4, men som for diskret fouriertransform ser slik ut: X k+1 = X N (k+1) (4.22) for k =0,..., N 2. Vi kommer tilbake til denne symmetrien når vi om litt skal diskutere folding. 114

23 Siden tallrekken x n er en vilkårlig valgt funksjon, samplet ved N tidspunkt, viser ligning (4.21) at funksjonen alltid kan beskrives som en lineær superposisjon av sinus- og cosinusfunksjoner som har eksakt et helt antall perioder innenfor den tiden T signalet er samplet. Frekvenskomponenten med lavest frekvens f 1 (ser bort fra konstantleddet f 0 ) har nøyaktig én periode i løpet av tiden T, mens den høyeste frekvensen som inngår i superposisjonen er lik samplingfrekvensen f s (eller mer nøyaktig (N 1)/N f s ). I tillegg til disse sinus- og cosinusfunksjonene kommer en konstantfunksjon (X 0 ) som er halve gjennomsnittsverdien av alle x n. Alternativt kan hver enkelt frekvenskomponent angis på polar form, som en amplitude og fase. Amplituden for hver enkelt frekvenskomponent er da gitt ved: A k = X k = R(X k ) 2 + I(X k ) 2 (4.23) hvor R(X k ) og I(X k ) er hhv realdel og imaginærdel av X k. Fasen for denne frekvenskomponenten er gitt ved: φ k = arctan(i(x k )/R(X k )) (4.24) Fase er i denne sammenhengen definert ut fra uttrykket f(t) =A k cos(ω k t + φ k ). Husk at dersom du skal regne ut fasen på en datamaskin eller kalkulator, må du få med deg alle fortegnskombinasjoner for realdel og imaginærdel av X k. Det betyr at du må bruke funksjonen atan2 (I(X k ), R(X k )). 4.8 Et konkret eksempel Vi vil nå gi et eksempel på fouriertransformasjon av en konkret funksjon og vil da i praksis se de lovmessighetene vi fant matematisk tidligere i kapitlet. Vi vil gå i detalj i den hensikt at kapitlet skal kunne brukes som en praktisk guide når vi ønsker å hente maksimalt og mest mulig presis informasjon ut av en fouriertransformasjon. Vi tror også at en detaljert gjennomgang av et eksempel vil kunne hjelpe på forståelsen av fouriertransformasjon, men forståelsen kommer ikke av seg selv! Vær nøye med detaljer! For å gjøre eksemplet så oversiktlig og enkelt som mulig, har vi valgt å beskrive en funksjon i bare 2 3 =8punkter. Funksjonen ser i først omgang ut som en skjev sagtann, og venstre del av figur 4.11 viser funksjonen. Merk at selve funksjonsverdiene er åtte reelle tall. De kan f.eks. representere en avstand målt i meter, spenning målt i volt eller hva som helst. Vi bruker bare betegnelsen aktuell enhet (ae), som kan stå for meter, volt eller hva det nå skulle være. Funksjonens argument kan være så mangt. Vi har valgt at funksjonen som varierer med tiden (benevning sekunder). Måletall og enheter langs x- og y-aksen er isolert sett totalt 115

24 Funksjon (akt. enhet) Tid (s) Funksjon (akt. enhet) Tid (s) Figur 4.11: Venstre: Tidssignalet til en funksjon, definert i åtte punkter. Det er trukket en rett linje mellom hvert av punktene. Høyre: Hvert målepunkt svarer til hvert sitt lille tidsintervall. Funksjonen er derfor definert i en lengre tid enn vi ofte tenker over. uavhengig av hverandre i vårt oppkonstruerte eksempel. Virkelige enheter er bestemt av hva slags fysisk måling dataene {x n } representerer. I høyre del av figur 4.11 markerer en viktig detalj. Dersom det er åtte målepunkter tatt med 1.5 s mellomrom, er det bare (8-1)*1.5 s = 10.5 s mellom første og siste tidspunkt der målingen er angitt. Det er fort gjort å tro at våre åtte målepunkter svarer til en tidsperiode på 10.5 s. Det er feil. Hver måleverdi representerer et helt lite tidsintervall. Total måleperiode svarer til det halvåpne tidsintervallet [0,12 s, Fouriertransformasjonen Fouriertransformeres funksjonen, får vi resultatet gitt i figur Fourierkoeffisient (ae) Frekvens (Hz) Figur 4.12: Fouriertransformasjonen til funksjonen i forrige figur. Fouriertransformasjonen gir komplekse tall. Realverdiene er gitt ved røde sirkelskiver og imaginærverdiene ved blå kryss. Hvert punkt svarer til en frekvens. Det kan bemerkes at fouriertransformasjonen baserer seg bare på selve funksjonsverdiene. Benevninger er skrelt bort, og tidspunktene hvor funksjonen er definert er totalt irrele- 116

25 vant for selve transformasjonen. Resultatet fra transformasjonen er åtte komplekse tall, og realverdi og imaginærverdi for disse åtte tallene er angitt i figuren. I figur 4.12 er det angitt verdier og benevning langs x-aksen. Dette er verdier vi selv må bestemme ut fra hva vi vet om verdiene langs x-aksen i tidsbildet (som i figur 4.11). Sammenhengen er som følger: Dersom funksjonen i tidsbildet er definert i N punkter med tidsforskjell t, tilsammen over en total tid T = N t, vil funksjonen i frekvensbildet være definert i N punkter med en frekvensforskjell f =1/T og representere et totalt (halvåpent) frekvensintervall fra null til N/T =1/ t = f s der f s er samplingsfrekvensen. Tallene langs y-aksen i et frekvensbilde av en funksjon avhenger blant annet av hvilken faktor som er brukt i transformasjonen (vi har i ligning (4.18) valgt faktoren 1/N). Ofte angis derfor funksjonen i frekvensbildet bare i relative verdier. Det er imidlertid ganske enkelt å angi fourierkoeffisientene som amplitudeverdier med samme enhet som den opprinnelige funksjonen {x n } Tidspoppløsningen, noen kommentarer Fra ligning (4.21) vet vi at den omvendte fouriertransformasjonen svarer til summasjon av cosinus- og sinusfunksjoner med et heltall perioder. Amplitudene på cosinusfunksjonene er gitt fra realdelen av fourierkoeffisientene X k, mens amplituden på sinusfunksjonene er gitt ved imaginærdelen av koeffisientene. La oss teste dette ut i praksis. I figur 4.13 har vi plottet alle de harmoniske signalene vi får når realdeler og imaginærdel av alle koeffisientene X k multipliseres med henholdsvis cosinus- og sinusfunksjoner i henhold til enkeltleddene i ligning (4.21). I vårt eksempel var realdelen av X 2 (og dermed også realdelen av X 8 ) størst slik at disse signalene dominerer litt over de øvrige. Vi ser at disse to svarer til henholdsvis én og syv hele perioder over tidsstrengen. Summerer vi opp alle sinus- og cosinussignaler i figur 4.13, får vi den grønne kurven gitt i figur I samme figur har vi også tegnet inn den opprinnelige funksjonen, med eksakt samme skalering både i x- og y-retning som det grønne sumsignalet. Det ser ut for at det slett ikke er samsvar mellom den opprinnelige funksjonen {x n } og resultatet etter en vanlig og en invers fouriertransformasjon etter hverandre. Her er det imidlertid en viktig detalj å merke seg! Sinus og cosinusfunksjonene vi har plottet i figur 4.13 er plottet for alle tidspunkt, ikke bare de tidspunktene den opprinnelige funksjonen er angitt i. Dette er noe vi har lagt inn i vår egen presentasjon for å få fram et viktig poeng. 117

26 Funksjon (akt. enhet) Tid (s) Figur 4.13: Alle harmoniske funksjoner hver for seg som inngår i summasjonen når funksjonen transformeres fra frekvensbildet til tidsbildet. Se tekst for detaljer. Funksjon (ae) Tid (s) Figur 4.14: Summen av alle harmoniske funksjoner som fourierspekteret svarer til når vi transformerer funksjonen tilbake til tidsbildet sammen med opprinnelig funksjon. I tidspunktene den opprinnelige funksjonen er definert, har summen av de harmoniske signalene identisk verdi med den opprinnelige funksjonen, men ikke mellom disse punktene. Se tekst for detaljer. Vi ser at dersom vi begrenser oss til å angi sumsignalet i bare nøyaktig de tidspunktene som den opprinnelige funksjonen ble angitt i, får vi nøyaktig samme resultat som den opprinnelige funksjonen! Utenfor disse tidspunktene er det ikke samsvar mellom vår heltrukne kurve mellom de opprinnelige målepunktene og sumfunksjonen av harmoniske funksjoner. Det er imidlertid nokså meningsløst å sammenligne funksjonsverdier der funksjonen faktisk ikke er definert Speiling / folding Vi viste tidligere i et spesialtilfelle at for en kontinuerlig fouriertransformasjon gjelder det at F (ω 0 )=F ( ω 0 ), det vil si at den fouriertransformerte ved en vinkelfrekvens er 118

27 den kompleks konjugerte av den fouriertransfomerte ved den negative vinkelfrekvensen. For diskret fouriertransformasjon har vi laget indeksene slik at vi slipper å arbeide med negative frekvenser. Likevel kan vi gjenfinne oppsplittingen i det fouriertransformerte signalet også ved diskret fouriertransformasjon. Figur 4.15 forsøker å skissere dette. Figur 4.15: Venstre del: Et fourierspekter ved kontinuerlig fouriertransformasjon av et signal som varer ved i det uendelige, inneholder alle frekvenser mellom og +, men det er en speiling/folding og kompleks konjugering omkring frekvensen null. Reell del av den fouriertransformerte funksjonen er markert i rødt, den imaginære i blått. Høyre del: Ved diskret fouriertransformasjon av et signal (høyre del) som bare er definert i et endelig antall punkter i en begrenset tid, inngår bare frekvenser mellom 0 og (nesten) samplingsfrekvensen f s. Her får vi også en speiling/folding og kompleks konjugering, men denne gang omkring halve samplingsfrekvensen f s /2. (Vi har forskjøvet de reelle i forhold til de imaginære punktene noe i venstre del for at alt skulle bli lett synlig.) Den delen av diagrammene som har en lett bakgrunnsfarge, inneholder all informasjon i det fouriertransformerte signalet siden den øvrige halvparten bare er den kompleks konjugerte av den første. Begge: Forsjellen mellom de to diagrammene består i at vi flytter informasjonen for negative frekvenser (venstre del av figuren) opp til området over halve samplingsfrekvensen for diskret fouriertransformasjon (høyre del). Årsaken til symmetrien i figur 4.15 for diskret fouriertransformasjon, har den oppmerksomme leser kanskje allerede oppdaget. I figur 4.9 ser vi at for cosinusdelen av e i 2π N kn er punktene identiske for k =1som for k = N 1, og tilsvarende identiske for k =2som for k = N 2. Generelt er cosinusleddene de samme for k = m som for k = N m for m =1,..., N/2. (NB: k =0, 1, 2,..., N 1 i denne figuren.) For sinusdelen av e i 2π N kn er punktene identiske, men med motsatt fortegn, for k =1som for k = N 1, og det samme gjelder generelt for k = m sammenlignet med k = N m for m =1,..., N/2. Det betyr nettopp at e i 2π N kn og e i 2π N (N k)n er komplekst konjugerte av hverandre, og dermed ser vi ut fra ligning (4.18) at X k = XN k for k =1, 2,..., N/2. Det 119

28 betyr at vi har en klar symmetri omkring frekvensen f N/2 (for k =0, 1, 2,..., N 1), det vil si halve samplingsfrekvensen. [ Noen detaljer for de mest interesserte: Merk at i en diskret fouriertransformasjon får vi like mange tall ut som tall inn. Det vil si, det kan diskuteres! Dersom tidsbeskrivelsen {x n } er reell, er det nok med N reelle tall for å angi tallrekken {x n }. Det må imidlertid 2N reelle tall til for å angi {X k } fordi {X k } er komplekse. Det betyr at ikke alle X k kan være uavhengige av hverandre i slike tilfeller. Halvparten av alle X k er egentlig overflødige når {x n } er reelle. For komplekse funksjoner {x n } vil vi ikke få folding! Vi vil se nøyere på dette ved å gå tilbake til eksemplet vårt i figur Fourierkoeffisient (ae) Frekvens (Hz) Fourierkoeffisient (ae) Frekvens (Hz) Figur 4.16: Venstre: Ved fouriertransformasjon av en reell funksjon {x n } får vi komplekse tall {X k } som viser en form for symmetri omkring frekvensen f N/2. ae står for aktuell enhet (samme enhet som opprinnelige signal, men iblant kombinert med en skaleringsfaktor). Se teksten for detaljer. Høyre: Av de 2N punktene som fouriertransformasjonen fører til, er det bare N uavhengige verdier (markert med numrene 1-8). Dette er som forventet siden vi startet ut nettopp med N reelle verdier. Vi ser en symmetri i frekvensbildet. Dette kommer fram i venstre del av figur Realdelen av tallene har samme verdi etter refleksjon (speiling) omkring linjen f N/2. Imaginærdelene av tallene har en rotasjon 180 grader rundt punktet (f N/2, 0). Det er imidlertid et klart unntak fra symmetriregelen. Første tall i frekvensbildet er noe for seg selv. Det svarer til en frekvens lik null, med andre ord til en konstantverdi. Konstantverdien er alltid reell når den opprinnelige funksjonen er reell. I vårt tilfelle startet vi ut med åtte reelle tall og foretok en transformasjon som på en entydig måte skal inneholde all informasjon i den opprinnelige representasjonen. Da kan det ikke være mer enn åtte frihetsgrader i det endelige resultatet. På grunn av speilingen omkring punktet ved frekvensen f N/2, er det klart at alle punkter over denne frekvensen følger lovmessig av verdiene til punktene under denne frekvensen. Videre vet vi at ved frekvensen null er imaginærverdien alltid null. På grunn av symmetrien vil det samme gjelde for punktet ved f N/2. Vi ser da av høyre del av figur 4.16 at vi står igjen med N/2 +1 reelle verdier og N/2 1 imaginære verdier som er uavhengige av hverandre, tilsammen N uavhengige verdier. Transformasjonen utspenner da et funksjonsrom som er akkurat like stort som det vi startet ut med, og det er tilfredsstillende å konstatere. Dette gjelder også i de tilfellene der vi starter ut med en kompleks funksjon i tidsbildet, men detaljene blir da til dels ganske annerledes enn i vårt tilfelle. ] 120